مدل سازی فرآیند برشته شدن اسنک سویا تحت سامانه مادون قرمز با استفاده از شبکه عصبی مصنوعی

مقدمه: دانه سویا به عنوان یک منبع غنی از ترکیبات مغذی ضروری همچون پروتئین­ها، روغن­ها و ترکیبات زیست فعال شناخته می­شود و دانه سویا این قابلیت را دارد که به عنوان یک اسنک و مغز برشته شده استفاده شود، اما وجود محدودیت­های مثل طعم سویا، بافت سخت و طعم لوبیای گس مانند منجر به کاهش مصرف این منبع غنی گشته است، بنابراین برای بهبود و افزایش مصرف دانه سویا، باید این محدودیت­ها برطرف گردد. برشته کردن می­تواند منجر به ایجاد یک طعم مطلوب بدون هیچ گونه طعم لوبیایی و تلخ شود و به طور معنی­داری باعث افزایش طعم، رنگ و بهبود بافت دانه سویا گردد. مواد و روش­ها: برای این مطالعه برشته کن مادون قرمز طراحی و ساخته شد و نمونه آماده شده دانه سویا (فرآوری شده) با توجه به شرایط آزمایش برشته شد. در این بررسی، مدل شبکه عصبی مصنوعی برای مدل­سازی سینتیک کاهش رطوبت در اسنک سویا در طول برشته کردن با استفاده از سامانه مادون قرمز توسعه داده شد. برای این منظور، توان لامپ مادون قرمز (250، 350 و 450 وات)، فاصله سطح لامپ از نمونه (4، 7 و 10 سانتی­متر) و زمان برشته کردن (25 دقیقه) به عنوان ورودی در نظر گرفته شد و مقدار نسبت رطوبت (MR) به عنوان خروجی تخمین زده شد. علاوه بر این سه مدل ریاضی مختلف برای برازش داده­ها مورد استفاده قرار گرفت و در نهایت داده­های برازش شده این سه مدل ریاضی با داده­های برازش شده مدل شبکه عصبی مصنوعی مورد مقایسه قرار گرفت. یافته­ها: براساس نتایج حاصل از به کار­گیری شبکه عصبی مصنوعی، مدل شبکه عصبی مصنوعی برای داده­های نسبت رطوبت با یک لایه مخفی، تابع انتقال سیگموئید، قاعده یادگیری لیونبرگ مارکوآرت و تعداد 4 نرون، با 55 درصد برای زیر گروه آموزشی و 25 و20 درصد به ترتیب برای هر یک از زیر گروه­های ارزیابی و آزمایشی بهترین برازش را به همراه داشت. ضریب تبین و ریشه متوسط مربع خطای داده‎ها بدست آمده برای مدل شبکه عصبی مصنوعی به ترتیب 9992/0 و 01099/0 و برای بهترین مدل ریاضی به ترتیب 9776/0 و 02758/0 بود. نتیجه­گیری: این استنتاج وجود دارد که مدل شبکه عصبی مصنوعی به مراتب بهتر از مدل­های ریاضی می­تواند نسبت رطوبت را در اسنک سویا طی فرایندبرشته شدن مورد برازش قرار دهد.